2.3 知识的获取.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 2. 形成知识的方法 （4）合取变析取 例如：“男同学与女同学可以组成一个班”。 归纳：“男同学或女同学可以组成一个班”。 2.3.2 机器学习的主要策略---4.示例学习 2. 形成知识的方法 （5） 归结归纳 例如： 得到： 2.3.2 机器学习的主要策略---4.示例学习 2. 形成知识的方法 （6）曲线拟合 设在示例空间提供了一批如下形式的示例：(x, y, z) 示例1：(1, 0, 10) 示例2：(2, 1, 18) 示例3：(-1, -2, -6) 应用曲线拟合法得到： z=2x+6 y+8 2.3.2 机器学习的主要策略 2.3.2 机器学习的主要策略---4.示例学习 示例学习举例：示例学习不仅可以学习概念,也可获得规则。因此,示例学习又可以看作是实例空间和规则空间相互作用的过程。 例如，给出肺炎与肺结核两种病的一些病例,构成实例空间。每个病例都含有五种症状:发烧(无、低、高),咳嗽(轻度、中度、剧烈),X光所见阴影(点状、索条状、片状、空洞),血沉(正常、快),听诊(正常、干鸣音、水泡音)。 2.3.2 机器学习的主要策略 2.3.2 机器学习的主要策略---4.示例学习 示例学习举例：肺炎和肺结核的部分病例集见下表。 ? 症状 病例号 ? 发烧 咳嗽 X光所见 血沉 听诊 肺 结 核 1 2 3 4 5 无 高 低 无 低 轻微 剧烈 轻微 轻微 中度 索条状 空洞 索条状 点状 片状 正常 快 正常 快 快 正常 干鸣音 正常 干鸣音 正常 肺 炎 1 2 3 4 5 高 中度 低 高 中度 剧烈 剧烈 轻微 中度 轻微 片状 片状 点状 片状 片状 正常 正常 正常 正常 正常 水泡音 水泡音 干鸣音 水泡音 水泡音 2.3.2 机器学习的主要策略---4.示例学习 示例归纳学习举例： 通过上述示例学习得到如下诊断规则： ⑴ 血沉=正常∧(听诊=干鸣音∨水泡音)→诊断=肺炎 ⑵ 血沉=快→诊断=肺结核 于是从病例中归纳，产生了诊断规则。即实现了实例空间到规则空间的作用过程。 2.3.2 机器学习的主要策略---4.示例学习 2.3.1 机器学习概述 2.3.2 机器学习的主要策略 机械学习 指导式学习 2.3 知识的获取 归纳学习 示例学习 观察与发现学习 Learning from observation and discovery 机器发现 从观察的事例或经验数据中归纳出规律或规则。 正确结论 直觉 分析/综合 类比 外界现象 联想 归纳 形成假设 验证/证明 差异反馈 2.3.2 机器学习的主要策略---5.观察与发现学习 1. 概念聚类 概念聚类：1980年,米卡尔斯基（R. S. Michalski）。 概念聚类的基本思想: 把事例按一定的方式和准则进行分组，如划分为不同的类，不同的层次等，使不同的组代表不同的概念，并且对每一个组进行特征概括，得到一个概念的语义符号描述。 2.3.2 机器学习的主要策略---5.观察与发现学习 1. 概念聚类 例如对如下事例： 喜鹊、麻雀、布谷鸟、乌鸦、鸡、鸭、鹅，… 分为两类： 鸟={喜鹊，麻雀，布谷鸟，乌鸦，…} 家禽={鸡、鸭、鹅，…} 得知： “鸟有羽毛、有翅膀、会飞、会叫、野生”。 “家禽有羽毛、有翅膀、会飞、会叫、家养”。 2.3.2 机器学习的主要策略---5.观察与发现学习 2. 发现学习 发现学习: 从系统的初始知识、观察事例或经验数据中归纳出规律或规则。——无教师指导的归纳学习 经验发现: 从经验数据中发现规律和定律。 知识发现: 指从已观察的事例中发现新的知识。 2.3.2 机器学习的主要策略---5.观察与发现学习 知识发现的提出：1989年8月，在美国底特律召开的第11届国际AI会议专题讨论会上，知识发现概念被首次提出。而数据挖掘概念，又称数据开采或数据采掘，于1995年在加拿大召开的第一届KDD和DM国际学术会议上被提出。知识发现和数据挖掘是人工智能、机器学习与数据库技术相结合的产物，它是在计算机科学技术的高速发展及其需求的驱动下发展起来的一门新的技术。目前，国内外学术界和企业界，都十分重视对它们的研究与开发。 知识发现及数据挖掘 2.3.2 机器学习的主要策略---5.观察与发现学习 尿布和啤酒故事:美国有一家大型超市，经过计算机对商场以往销售记录数据的分析、归纳、整理、运算后发现了这样一条规律：在超市中购买尿